AVIS: Le groupe de consultation IDRE Statistical migrera le site Web vers le WordPress CMS en février pour faciliter la maintenance et la création de nouveaux contenus. Certaines de nos anciennes pages seront supprimées ou archivées de sorte qu'elles ne seront plus conservées. Nous essaierons de maintenir les redirections afin que les anciennes URL continuent à fonctionner de la meilleure façon possible. Bienvenue à l'Institut de recherche et d'éducation numériques Aider le groupe de consultation Stat en donnant un cadeau. Stata Class Notes Comptage de n vers N Introduction Stata a deux variables intégrées appelées n et N. N est la notation Stata pour le numéro d'observation actuel. N est 1 dans la première observation, 2 dans la seconde, 3 dans la troisième, et ainsi de suite. N est la notation Stata pour le nombre total d'observations. Voyons comment n et N fonctionnent. Comme vous pouvez le constater, l'identifiant de la variable contient le numéro d'observation allant de 1 à 7 et nt le nombre total d'observations, qui est 7. Comptage avec n L'utilisation de n et N en conjonction avec la commande by peut produire des résultats très utiles. Bien sûr, pour utiliser la commande par, nous devons d'abord trier nos données sur la variable par. Maintenant n1 est le nombre d'observation dans chaque groupe et n2 est le nombre total d'observations pour chaque groupe. Pour énumérer le score le plus bas pour chaque groupe, utilisez ce qui suit: Pour lister le score le plus élevé pour chaque groupe, utilisez ce qui suit: Une autre utilisation de n Utilise n pour savoir s'il y a des numéros d'identification en double dans les données suivantes: Les observations 6 et 7 ont les mêmes numéros d'identification et des valeurs de score différentes. Trouver des doublons Maintenant, utilisez N pour trouver des observations en double. Dans cet exemple, nous classons les observations par toutes les variables. Ensuite, nous utilisons toute la variable dans l'instruction par et définissons set n égal au nombre total d'observations qui sont identiques. Enfin, nous énumérons les observations pour lesquelles N est supérieur à 1, identifiant ainsi les observations en double. Si vous avez beaucoup de variables dans l'ensemble de données, cela peut prendre beaucoup de temps de les taper toutes deux. Nous pouvons utiliser le caractère générique pour indiquer que nous souhaitons utiliser toutes les variables. En outre dans les dernières versions de Stata, nous pouvons combiner sort et by en une seule déclaration. Ci dessous est une version simplifiée du code qui donnera les mêmes résultats exacts que ci dessus. Le contenu de ce site Web ne doit pas être interprété comme un endossement d'un site Web, d'un livre ou d'un logiciel particulier par l'Université de Californie. Dans le contexte de la régression linéaire dans les sciences sociales, Gelman et Hill écrivent1: (C'est à dire la base logarithmique e) parce que, comme décrit ci dessus, les coefficients de l'échelle logarithmique sont directement interprétables comme des différences proportionnelles approximatives: avec un coefficient de 0,06, une différence de 1 dans x correspond à une différence approximative de y, et ainsi de suite. 1 Andrew Gelman et Jennifer Hill (2007). Analyse de données à l'aide de régression et de modèles hiérarchiques multiniveaux. Cambridge University Press: Cambridge New York, pages 60 61. Il n'y a aucune raison très forte de préférer les logarithmes naturels. Supposons que nous estimons le modèle: La relation entre logarithmes naturels (log) et logarithmes de base 10 (log) est ln X 2.303 log X (source). D'où le modèle est équivalent à: ou, en mettant un 2.303 a: Soit la forme du modèle pourrait être estimée, avec des résultats équivalents. Un léger avantage des logarithmes naturels est que leur premier différentiel est plus simple: d (ln X) dX 1X, tandis que d (log X) dX 1 ((ln 10) X) (source). Pour une source dans un manuel d'économétrie disant que l'une ou l'autre forme de logarithmes pourrait être utilisé, voir Gujarati, Essentials of Econometrics 3e édition 2006 p 288. Je pense que le logarithme naturel est utilisé parce que l'exponentielle est souvent utilisé lors de l'estimation growthcrowth. Si vous êtes en temps continu et que vous êtes des intérêts composés, vous finirez par avoir une valeur future d'une certaine somme égale à F (t) N. e (où r est le taux d'intérêt et N le montant nominal de la somme). Puisque vous vous retrouvez avec exponentiel dans le calcul, la meilleure façon de s'en débarrasser est en utilisant le logarithme naturel et si vous faites l'opération inverse, le journal naturel vous donnera le temps nécessaire pour atteindre une certaine croissance. Aussi, la bonne chose au sujet des logarithmes (qu'il soit naturel ou non) est le fait que vous pouvez transformer des multiplications en additions. En ce qui concerne les explications mathématiques de pourquoi nous finissons par utiliser une exponentielle lors de la composition des intérêts, vous pouvez le trouver ici: fr. wikipedia. orgwikiContinuouslycompoundedinterestPeriodiccompounding Fondamentalement, vous devez prendre la limite d'avoir un nombre infini de taux d'intérêt de paiement, qui finit par être le Définition de l'exponentielle Même pensée, le temps continu n'est pas largement utilisé dans la vie réelle (vous payez vos hypothèques avec des paiements mensuels, pas toutes les secondes ...), ce genre de calcul est souvent utilisé par les analystes quantitatifs. A répondu Mar 29 à 7:09
No comments:
Post a Comment